CN116502739A - 水库来水量的雨洪耦合预报方法、系统及电子设备 - Google Patents

水库来水量的雨洪耦合预报方法、系统及电子设备 Download PDF

Info

Publication number
CN116502739A
CN116502739A CN202211111914.6A CN202211111914A CN116502739A CN 116502739 A CN116502739 A CN 116502739A CN 202211111914 A CN202211111914 A CN 202211111914A CN 116502739 A CN116502739 A CN 116502739A
Authority
CN
China
Prior art keywords
reservoir
rainfall
forecast
forecasting
flood
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211111914.6A
Other languages
English (en)
Inventor
谢克勇
邓德文
汪如良
岳旭
肖雯
杨华
阙志萍
田白
龙余良
张斌
傅文兵
裘薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Chenqing Heye Technology Co ltd
Jiangxi Meteorological Service Center Jiangxi Professional Meteorological Observatory Jiangxi Meteorological Publicity And Science Popularization Center
Original Assignee
Hangzhou Chenqing Heye Technology Co ltd
Jiangxi Meteorological Service Center Jiangxi Professional Meteorological Observatory Jiangxi Meteorological Publicity And Science Popularization Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Chenqing Heye Technology Co ltd, Jiangxi Meteorological Service Center Jiangxi Professional Meteorological Observatory Jiangxi Meteorological Publicity And Science Popularization Center filed Critical Hangzhou Chenqing Heye Technology Co ltd
Priority to CN202211111914.6A priority Critical patent/CN116502739A/zh
Publication of CN116502739A publication Critical patent/CN116502739A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Strategic Management (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Atmospheric Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)

Abstract

本发明实施例提供一种水库来水量的雨洪耦合预报方法、系统及电子设备，属于水库来水预报技术领域。所述方法包括：提取根据DEM自动划定的水库的集雨区；根据构建的融合预报模式预测出集雨区的降水预报量；构建水库来水量的洪水预报模型；获取水库蒸散发预测量，将水库蒸散发预测量和降水预报量输入至洪水预报模型中进行预测，得到水库的来水预报量。本发明的预报方法结合气象水文实时观测数据等监测资料，及时捕捉降水过程，提高了面雨量、降水预报结果准确率，减少降水预报误差；为防汛部门及水库电站提供精细化库区面雨量预报及水库来水增量预报等信息服务，并提前为制定水资源管理计划提供决策支持，提升一定程度的经济效益。

Description

水库来水量的雨洪耦合预报方法、系统及电子设备
技术领域
本发明涉及水库来水预报技术领域，具体地涉及一种水库来水量的雨洪耦合预报方法、一种水库来水量的雨洪耦合预报系统、一种电子设备及一种计算机可读存储介质。
背景技术
在中国江西省等地的6月至8月降雨偏多，雨季时间偏长，降雨过程集中、局部雨量大，各个主要江河均可能发生区域性较大洪水，严重威胁沿岸地区的经济社会发展。因此，合理进行水资源管理是必要的，而精准的水库来水量预报可以为水资源管理提供有效的数据决策支持。目前的水库来水量预报技术，由降水预报和洪水预报两部分组成。
降水预报主要基于全球及区域模式的预报、以及释用技术的本地化订正，包括以下几种：
1.基于前期预报误差的动态多模式集成。根据前面某一时段的预报误差来滑动确定接下来预报所用模式及其权重。
2.频率匹配方法。该方法能显著改善暴雨数值预报模式(AREM)模式降水预报中雨量和雨区范围的系统性偏差，尤其是小雨量段，本地化订正使得数值预报的“有雨或无雨”的定性降水预报质量得到明显改善。
3.统计降尺度法。计算量较小，便于操作。
现有的降水预报方法至少还存在以下缺陷：
气候模拟的系统误差比较大，缺少短期和中期的集成预报研究工作，且要素预报结果精度也不够；对水库库区来水流量预测方面，传统水文模型的参数众多，人工调参过程往往需要大量的经验，工作量极大。
发明内容
本发明实施例的目的是提供一种水库来水量的雨洪耦合预报方法、系统及电子设备，以至少解决上述降水预报方法中存在的误差比较大，缺少短期和中期的集成预报研究工作，且预报结果精度也不够等问题。
为了实现上述目的，本发明实施例提供一种水库来水量的雨洪耦合预报方法，所述方法包括：
提取根据DEM自动划定的水库的集雨区；
根据构建的融合预报模式预测出集雨区的降水预报量；
构建水库来水量的洪水预报模型；
获取水库蒸散发预测量，将水库蒸散发预测量和降水预报量输入至洪水预报模型中进行预测，得到水库的来水预报量。
可选的，所述洪水预报模型为神经网络模型或新安江模型。
可选的，所述方法还包括：构建融合预报模式，包括：
对选取的预报模式进行降尺度处理，得到高分辨率预报模式；所述预报模式包括QPF降水模式、快速更新同化模式、区域数值模式、EC、GFS以及JMA全球模式中的一种或多种；
在多个未来时段上分别布置多个高分辨率预报模式；
获取各个未来时段上存在的多个高分辨预报模式的重叠部分的交叉时段；
计算每一个交叉时段上相重叠的高分辨率预报模式的融合权重；
根据所述融合权重对对应的交叉时段上相重叠的高分辨率预报模式进行融合，得到融合预报模式。
可选的，计算每一个交叉时段上相重叠的高分辨率预报模式的融合权重，包括：
获取该交叉时段上各个高分辨率预报模式的格点降水的预报量；
计算该交叉时段上各个高分辨率预报模式的格点降水的预报量与该交叉时段的实况降雨量之间的误差；
利用构建的卷积神经网络对所述误差进行处理，得到该交叉时段上相重叠的高分辨率预报模式的融合权重。
可选的，根据构建的融合预报模式预测出集雨区的降水预报量，包括：
获取实况降雨场，所述实况降雨场是根据气象站、雨量站或卫星雷达监测的降雨数据进行质量控制处理后生成的实况降雨量；
根据所述融合预报模式预测出集雨区的面雨量；
根据实况降雨场对所述面雨量进行本地化订正，得到集雨区的降水预报量。
可选的，根据实况降雨场对所述面雨量进行本地化订正，包括：
获取过去一时间段内的降水实况累计概率和降水预报累计概率；
根据降水实况累计概率和降水预报累计概率对面雨量进行修正。
可选的，提取根据DEM自动划定的水库的集雨区，包括：
根据DEM对水库的流域地形进行预处理；
根据D8算法计算出经预处理后的流域地形的水流流向及流量；
根据设定的阈值和所述水流流向提取河网水系；
根据所述流量将提取的河网水系进行交互连接，得到分水岭，所述分水岭用于表征水库的集雨区。
可选的，所述预处理包括洼地填充处理。
可选的，所述方法还包括水库水位预报：根据来水预报量和水库参数计算出水库的新的水位，所述水库参数包括库容和最低水位。
本发明实施例还提供一种水库来水量的雨洪耦合预报系统，用于实现上述的水库来水量的雨洪耦合预报方法，所述系统包括：
提取模块，用于提取根据DEM自动划定的水库的集雨区；
降水量预报模块，用于根据构建的融合预报模式预测出集雨区的降水预报量；
模型构建模块，用于构建水库来水量的洪水预报模型；
来水量预报模块，用于获取水库蒸散发预测量，将水库蒸散发预测量和降水预报量输入至洪水预报模型中进行预测，得到水库的来水预报量。
本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的水库来水量的雨洪耦合预报方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的水库来水量的雨洪耦合预报方法。
通过上述技术方案，本发明的预报方法结合气象水文实时观测数据等监测资料，及时捕捉降水过程，提高了面雨量、降水预报结果准确率，减少降水预报误差；为防汛部门及水库电站提供精细化库区面雨量预报及水库来水增量预报等信息服务，并提前为制定水资源管理计划提供决策支持，提升一定程度的经济效益。
其次，融合预报模式实现了对降水的短期和中期的集成预报，能提高面雨量、降水预报结果的准确率。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明一种实施方式提供的水库来水量的雨洪耦合预报方法的流程图；
图2是本发明一种可选实施方式提供的集雨区的划定方法的流程图；
图3是本发明一种可选实施方式提供的构建融合预报模式的方法的流程图；
图4是本发明一种可选实施方式提供的本地化订正的计算方法的流程图；
图5是本发明一种可选实施方式提供的水库来水量的雨洪耦合预报系统的框图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1是本发明一种实施方式提供的水库来水量的雨洪耦合预报方法的流程图，如图1所示，一种水库来水量的雨洪耦合预报方法，所述方法包括：
步骤S1：提取根据数字高程模型DEM自动划定的水库的集雨区。
在本实施例中，水库的集雨区为汇集到水库的所有河流集雨面积的和，集雨面积为单位长度和宽度下的集结雨水面的大小。
如图2所示，作为本实施例的进一步优化，集雨区的划定包括以下步骤：
步骤S101：根据DEM对水库的流域地形进行预处理。
DEM在下述的河网提取过程中，由于资料输入误差、生成DEM时内插误差以及DEM分辨率等原因造成误差，使得DEM表面存在一些凹陷的区域，即洼地；因此在进行水流方向计算之前，应先对原始DEM数据进行洼地填充预处理，得到无洼地的DEM，洼地的填充过程是利用水流方向数据计算出DEM数据中的洼地区域，并计算其洼地深度，根据设定的填充阈值进行洼地填充。
步骤S102：根据D8算法计算出经预处理后的流域地形的水流流向及流量。
D8算法以数值表示每个单元的流向，数字变化范围是1～255，其中1表示正东、2表示东南、4表示正南、8表示西南、16表示正西、32表示西北、64表示正北、128表示东北。
则水流流向为：假定雨水降落在地形中某一个格子上，该格子的水流将会流向周围8个格子地形最低的格子中。如果多个像元格子的最大下降方向都相同，则会扩大相邻像元范围，直到找到最陡下降方向为止。
流量的计算为：即汇流累积量计算，以规则栅格表示数字高程模型每个点处有一个单位的水量，再根据区域内栅格的水流方向数据计算每个栅格所流过的水量数值，得到该区域的汇流累积量。
步骤S103：根据设定的阈值和所述水流流向提取河网水系。
DEM中的某个栅格点如果属于同一个水系范围，则必须存在一定的上游集水区域的支撑。根据已经得到的汇流累积量数据，并根据研究区域的气候、地形等因素的不同，来确定一个阈值(即汇流能力阈值)。当某个栅格点上的累积量超过了这个阈值，则认为该栅格点属于某个水系范围，各栅格点互相连接就形成了河网，而该阈值的大小决定了河网提取的精度和详细程度。
步骤S104：根据所述流量将提取的河网水系进行交互连接，得到分水岭，所述分水岭用于表征水库的集雨区。
分水岭是可以嵌套的，例如大的分水岭嵌套若干个小分水岭，也就是大流域里面包含了若干个小流域。
步骤S2：根据构建的融合预报模式预测出集雨区的降水预报量。
在本实施例中，融合预报模式能实现对降水的短期和中期的集成预报。作为本实施例的进一步优化，如图3所示，该方法还包括：构建融合预报模式，包括：
步骤S201：对选取的预报模式进行降尺度处理，得到高分辨率预报模式，所述预报模式包括定量降水预报(QPF)模式、快速更新同化模式、区域数值模式、欧洲中期天气预报(EC)、全球预测系统(GFS)或日本气象厅数值预测模式(JMA)中的一种或多种。
在本实施例中，上述选取的预报模式的尺度通常在12.5km左右，其分辨率相对较低，缺少详细的区域气候信息，难以对区域气候做出合理的预测；降尺度处理可以将上述预报模式的尺度降至1km，提高预报模式的分辨率，进而实现对区域气候预测。
降尺度处理优选采用基于深度学习的DeepSD模型，DeepSD是由多层的SRCNN堆积而成，SRCNN降尺度则是利用了卷积神经网络提取高维特征并进行数据重构，从而实现降尺度。在该方法中为了实现更加精准的大尺度气候信息到区域尺度的转变，还考虑到区域因素以及地形因素。具体实现过程为：构建三层卷积神经网络，前两层用于提取地形地貌以及原始数据的高维空间特征(即找寻大尺度气候模式输出变量和地形信息中对于小尺度气象要素相关性较高的特征)，第三层卷积神经网络进行数据重构(即构建高维空间特征与小尺度气象要素之间的非线性关系并实现转变)。
降尺度处理步骤中使用的深度卷积神经网络模型利用卷积和子采样可以提高降尺度的准确率，从而减少计算工作量，更加高效、准确的实现降尺度处理。
步骤S202：在多个未来时段上分别布置多个高分辨率预报模式。
在本实施例中，各个未来时段上的高分辨率预报模式的分布方式为：QPF作为未来0-6小时预报，快速更新同化模式作为2-24h预报，区域数值模式作为6-72h预报，EC、GFS、JMA作为8h到7天预报。
步骤S203：获取各个未来时段上存在的多个高分辨预报模式的重叠部分的交叉时段。
步骤S204：计算每一个交叉时段上相重叠的高分辨率预报模式的融合权重。
在本实施例中，在各个未来时段上存在交叉时段，交叉时段上具有多个高分辨率预报模式的重叠部分，即交叉时段2h-6h存在着QPF和快速更新同化模式两种模式的重叠部分，交叉时段6h-8h存在着快速更新同化模式和区域数值模式两种模式的重叠部分，交叉时段8h-24h存在着快速更新同化模式、区域数值模式、EC、GFS、JMA多种模式的重叠部分、交叉时段24h-72h存在着区域数值模式、EC、GFS、JMA多种模式的重叠部分；因此在进行预报时，需要对重叠部分的高分辨预报模式进行融合处理。
步骤S205：根据所述融合权重对对应的交叉时段上相重叠的高分辨率预报模式进行融合，得到融合预报模式，该融合预报模式用于预测未来0-7天的降水预报量。
融合预报模式实现了对降水的短期和中期的集成预报，能提高面雨量、降水预报结果的准确率。
传统预报模式的融合在选择权重时，往往是利用过去经验进行人为调整，或者设定固定权重，不会改变，这些方法都会造成设定权重不合适，增大误差。
作为本实施例的进一步优化，计算每一个交叉时段上相重叠的高分辨率预报模式的融合权重，包括：
步骤a1：获取该交叉时段上各个高分辨率预报模式的格点降水的预报量，格点为集雨区的单位面积进行网格划分得到的网格，格点降水为每个网格上的降水量，所述交叉时段上各个高分辨率预报模式的面雨量的预报量为近期预报数据，例如近期1-3个月的预报数据。
步骤a2：计算该交叉时段上各个高分辨率预报模式的格点降水的预报量与该交叉时段的实况降雨量之间的误差，实况降雨量是根据气象站、雨量站或卫星雷达在该交叉时段监测的降雨数据；
步骤a3：利用构建的卷积神经网络对所述误差进行处理，得到该交叉时段上相重叠的高分辨率预报模式的融合权重。
因此本发明的融合权重能根据近期数据自动调整权重大小，提高融合预报模式的预报准确率。
作为本实施例的进一步优化，如图4所示，根据构建的融合预报模式预测出集雨区的降水预报量，包括：
步骤b1：获取实况降雨场，所述实况降雨场是根据气象站、雨量站或卫星雷达监测的降雨数据进行质量控制处理后生成的实况降雨量；
步骤b2：根据步骤S205得到的融合预报模式预测出集雨区的面雨量；
步骤b3：根据实况降雨场对所述面雨量进行本地化订正，得到集雨区的降水预报量。
由于区域数值模式中的物理模型和参数化方案只是对大气状态的估计描述，不能完全反映真实状态，因此上述的QPF、快速更新同化、区域数值模式、EC、GFS或JMA等模式在预报时均存在一定的误差，为了减少这种误差，需要对融合预报模式进行本地化订正。
在本实施例中，根据实况降雨场对面雨量进行本地化订正，包括：
步骤c1：获取过去一时间段内的降水实况累计概率和降水预报累计概率；例如在近1-3个月、不同历时(1/3/6/12/24h)的降水实况累计概率的分布情况，以及在近1-3个月、不同历时(1/3/6/12/24h)的降水预报累计概率的分布情况，降水实况累计概率和降水预报累计概率的分布情况通过累计分布函数来表示。
步骤c2：根据降水实况累计概率和降水预报累计概率对面雨量进行修正。
在本实施例中，上述本地化订正具体包括晴雨订正和降水量订正两步来完成，先进行晴雨订正，再进行降水量订正。其中，晴雨订正通过动态最优分类阈值GBDT模型进行订正，选取时间、降水、相对湿度、总云量等要素，训练GBDT梯度提升决策树模型，得到最优概率阈值，用于晴雨分类，分类结果包括雨格点和晴格点。
在经晴雨订正后，得到分类结果为雨格点时，此时对该雨格点进行降水量订正，即构建概率匹配降水订正函数：
F(x)＝D[N(x)]-x；
其中，x为融合预报模式的降水预报量，F(x)为与降水预报量有关的降水订正函数，N(x)为降水预报累计概率的拟合函数；D(y)为降水实况累计概率拟合函数的反函数。
反函数D(y)的计算方法为：定义不同历时的降水预报量ti(t1,t2,t3,···,tn)的降水预报累计概率pi(p1,p2,p3,···,pn)和降水实况累计概率qi(q1,q2,q3,···,qn)，其中，F(ti)＝pi,(x<＝ti)，首先通过坐标(p1,t1)、(p2,t2)、(p2,t2)、···、(pn,tn)构建降水预报累计概率曲线，然后通过插值计算降水实况累计概率在降水预报累计概率曲线上对应的降水阈值g1,g2,···,gn；通过坐标(g1,t1)、(g2,t2)、(g2,t2)、···、(gn,tn)构建降水预报量和降水阈值的订正曲线，该订正曲线为反函数D(y)。
在构建完成概率匹配降水订正函数后，只需要在预报降水量上加订正函数F(x)即可完成降水量订正。
在本实施例中，本地化订正还可以采用Encoder-Decoder神经网络模型，利用卷积神经网络(CNN)和长短时记忆网络(LSTM)构建订正模型Seq2Seq，Seq2Seq模型的核心是CNN和LSTM，模型由Encoder和Deconder两部分组成，其中Encoder是用来解析历史信息，而Decoder是用来编译历史信息生成订正结果。
步骤S3：构建水库来水量的洪水预报模型。
在本实施例中，所述洪水预报模型为神经网络模型或新安江模型，在水库具有大量流域历史流量数据且各流域数据比较丰富的情况下，可直接采用神经网络模型建模；而对于水库流量数据较少时，采用新安江模型。
步骤S4：获取水库蒸发预测量，将水库蒸发预测量和降水预报量输入至洪水预报模型中进行预测，得到水库的来水预报量。
在本实施例中，以新安江模型为洪水预报模型，新安江模型主要包括四个部分，分别是蒸散发计算、产流计算、水源划分和汇流计算。
新安江模型在实际测量过程中，以实测降雨与实测蒸散发作为输入，可输出为流域流量，其中实测蒸散发通过蒸发器测得水面蒸发与流域蒸散发能力的折算系数，实测降雨为该流域实际测得的降水量，也就是说根据实测的降水量，可计算出水库的实际来水量。
而在预报过程中，将降水预报量、蒸散发预测量作为新安江模型的输入值，即可预测出水库的来水预报量。
本发明的预报方法结合气象水文实时观测数据等监测资料，及时捕捉降水过程，提高了面雨量、降水预报结果准确率，减少降水预报误差；为防汛部门及水库电站提供精细化库区面雨量预报及水库来水增量预报等信息服务，并提前为制定水资源管理计划提供决策支持，提升一定程度的经济效益。
作为本实施例的进一步优化，所述方法还包括构建长短期记忆网络(LSTM)模型，将日气象数据以及水库流域属性数据作为长短期记忆网络(LSTM)模型的输入预测水库的日流量，其中日气象数据包括降水、温度等数据，水库流域属性数据例如坡度等，坡度是流域的流量形成的重要影响因素之一。
作为本实施例的进一步优化，所述方法还包括水位预测，根据来水预报量和水库参数计算出水库的新的水位，所述水库参数包括库容和最低水位。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
图5是本发明一种可选实施方式提供的水库来水量的雨洪耦合预报系统的框图，如图5所示，所述系统用于实现上述的水库来水量的雨洪耦合预报方法，所述系统包括：
提取模块，用于提取根据DEM自动划定的水库的集雨区；
降水量预报模块，用于根据构建的融合预报模式预测出集雨区的降水预报量；
模型构建模块，用于构建水库来水量的洪水预报模型；
来水量预报模块，用于获取水库蒸散发预测量，将水库蒸散发预测量和降水预报量输入至洪水预报模型中进行预测，得到水库的来水预报量。
本发明的预报方法结合气象水文实时观测数据等监测资料，及时捕捉降水过程，提高了面雨量、降水预报结果准确率，减少降水预报误差；为防汛部门及水库电站提供精细化库区面雨量预报及水库来水增量预报等信息服务。并提前为制定水资源管理计划提供决策支持，提升一定程度的经济效益。
其次，融合预报模式实现了对降水的短期和中期的集成预报，能提高面雨量、降水预报结果的准确率。
本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的水库来水量的雨洪耦合预报方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的水库来水量的雨洪耦合预报方法。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种水库来水量的雨洪耦合预报方法，其特征在于，所述方法包括：
提取根据DEM自动划定的水库的集雨区；
根据构建的融合预报模式预测出集雨区的降水预报量；
构建水库来水量的洪水预报模型；
获取水库蒸散发预测量，将水库蒸散发预测量和降水预报量输入至洪水预报模型中进行预测，得到水库的来水预报量。
2.根据权利要求1所述的方法，其特征在于，所述洪水预报模型为神经网络模型或新安江模型。
3.根据权利要求1所述的方法，其特征在于，该方法还包括：构建融合预报模式，包括：
对选取的预报模式进行降尺度处理，得到对应的高分辨率预报模式；所述预报模式包括QPF降水模式、快速更新同化模式、区域数值模式、EC、GFS或JMA全球模式中的一种或多种；
在多个未来时段上分别布置多个高分辨率预报模式；
获取各个未来时段上存在的多个高分辨预报模式的重叠部分的交叉时段；
计算每一个交叉时段上相重叠的高分辨率预报模式的融合权重；
根据所述融合权重对对应的交叉时段上相重叠的高分辨率预报模式进行融合，得到融合预报模式。
4.根据权利要求3所述的方法，其特征在于，计算每一个交叉时段上相重叠的高分辨率预报模式的融合权重，包括：
获取该交叉时段上各个高分辨率预报模式的格点降水预报量；
计算该交叉时段上各个高分辨率预报模式的格点降水预报量与该交叉时段的实况降雨量之间的误差；
利用构建的卷积神经网络对所述误差进行处理，得到该交叉时段上相重叠的高分辨率预报模式的融合权重。
5.根据权利要求3所述的方法，其特征在于，根据构建的融合预报模式预测出集雨区的降水预报量，包括：
获取实况降雨场，所述实况降雨场是根据气象站、雨量站或卫星雷达监测的降雨数据进行质量控制处理后生成的实况降雨量；
根据所述融合预报模式预测出集雨区的面雨量；
根据实况降雨场对所述面雨量进行本地化订正，得到集雨区的降水预报量。
6.根据权利要求5所述的方法，其特征在于，根据实况降雨场对所述面雨量进行本地化订正，包括：
获取过去一时间段内的降水实况累计概率和降水预报累计概率；
根据降水实况累计概率和降水预报累计概率对面雨量进行修正。
7.根据权利要求1所述的方法，其特征在于，提取根据DEM自动划定的水库的集雨区，包括：
根据DEM对水库的流域地形进行预处理；
根据D8算法计算出经预处理后的流域地形的水流流向及流量；
根据设定的阈值和所述水流流向提取河网水系；
根据所述流量将提取的河网水系进行交互连接，得到分水岭，所述分水岭用于表征水库的集雨区。
8.一种水库来水量的雨洪耦合预报系统，用于实现权利要求1-7中任一项所述的水库来水量的雨洪耦合预报方法，其特征在于，所述系统包括：
提取模块，用于提取根据DEM自动划定的水库的集雨区；
降水量预报模块，用于根据构建的融合预报模式预测出集雨区的降水预报量；
模型构建模块，用于构建水库来水量的洪水预报模型；
来水量预报模块，用于获取水库蒸散发预测量，将水库蒸散发预测量和降水预报量输入至洪水预报模型中进行预测，得到水库的来水预报量。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的水库来水量的雨洪耦合预报方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述的水库来水量的雨洪耦合预报方法。
CN202211111914.6A 2022-09-13 2022-09-13 水库来水量的雨洪耦合预报方法、系统及电子设备 Pending CN116502739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211111914.6A CN116502739A (zh) 2022-09-13 2022-09-13 水库来水量的雨洪耦合预报方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211111914.6A CN116502739A (zh) 2022-09-13 2022-09-13 水库来水量的雨洪耦合预报方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN116502739A true CN116502739A (zh) 2023-07-28

Family

ID=87318959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211111914.6A Pending CN116502739A (zh) 2022-09-13 2022-09-13 水库来水量的雨洪耦合预报方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN116502739A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118095581A (zh) * 2024-04-29 2024-05-28 浙江大学 基于分布式水文模型的梯级小水电来水量预测方法及系统
CN118363093A (zh) * 2024-06-19 2024-07-19 江苏省气象台 一种基于目标对象诊断的降水预报时空检验方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118095581A (zh) * 2024-04-29 2024-05-28 浙江大学 基于分布式水文模型的梯级小水电来水量预测方法及系统
CN118363093A (zh) * 2024-06-19 2024-07-19 江苏省气象台 一种基于目标对象诊断的降水预报时空检验方法

Similar Documents

Publication Publication Date Title
CN103713336B (zh) 基于gis分区的水电站流域面雨量气象预报方法
KR20090093520A (ko) 유역통합 물관리 의사결정지원방법
CN109815611B (zh) 一种基于数字流域的流域边界生成方法
CN116502739A (zh) 水库来水量的雨洪耦合预报方法、系统及电子设备
CN112700068B (zh) 基于机器学习融合多源遥感数据的水库调度规则优化方法
US20240256746A1 (en) Scheduling method and system for operation of reservoirs to recharge freshwater for repelling saltwater intrusion under changing conditions
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
CN115758856A (zh) 一种景观格局及气候变化对流域未来水质影响的研究方法
CN115099162A (zh) 一种复杂地形下风场的订正方法
CN118569539A (zh) 基于电力网格划分的气象要素降尺度预报方法
Tang et al. Value of medium-range precipitation forecasts in inflow prediction and hydropower optimization
CN112950436B (zh) 一种合流制管道溢流控制参数的计算方法及装置
Husain et al. Malaysian National Water Balance System (Nawabs) for improved river basin management: case study in the Muda River Basin
CN117150600B (zh) 一种用于城市防内涝的屋顶蓄排水控制方法
CN111950813A (zh) 一种气象干旱监测与预测方法
CN117010546A (zh) 一种云南省次季节尺度温度异常的预测方法和装置
Faksomboon Development of a Hydrodynamic Model for Regulating Water Drainage of Reservoir and Water Resources Management, Lamtakong Watershed of Thailand
CN118586299B (zh) 一种基于数字孪生的灌区水资源管理仿真方法和系统
CN108616139A (zh) 一种风电功率集群预测方法和装置
CN119066891B (zh) 基于子流域的分布式洪水预报调度模型构建方法及系统
Liang et al. Modeling of wind power service with CFD and Kalman filtering
CN111612282B (zh) 一种地区性水电站的日负荷预测方法、系统及介质
Izeiroski et al. GIS supported methodology for screening of optimal locations for exploatation of renewable energy resources
Yang et al. Runoff Prediction in a Data Scarce Region Based on Few-Shot Learning
Pranoto et al. Integrating Flood Early Warning System (FEWS) for Optimizing Small Hydropower Sites: A West Java Case Study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination